第二节 人工智能基础

码信息；在收到编码后再进行解码操作即解调处理，这样就可以重新获得原始信息。

图3.2

二、机器学习（Machine Learning）

机器学习算法建立在统计学理论基础之上，从数据的自动分析中获得规律，并利用规律对未知数据进行预测的算法。本质上，机器学习需要基于互联网的海量数据以及系统强大的并行运算能力来让机器模拟人类来进行自我学习，并通过不断“学习”、“训练”来做出智能决策。

最常见的机器学习方法有三种：监督学习法、无监督学习法、强化学习法。

1.监督学习法

监督学习法是通过一系列的带有数据类别、数据属性、特征点位置等标记的训练集来训练机器，并通过预测结果与期望结果的比对来修改模型中的参数，从而提高决策的准确度。显然，样本中的分类标签的精确度越高，样本越具有代表性，监管学习的准确度就会越高。

监督学习法又分为回归和分类两类方法。回归方法是指预测结果是连续的，即输入变量会映射到连续函数上。比如对房价的预测，可以根据房屋面积的数据集以及房屋出售价格的数据集进行训练，并利用连续函数来进行拟合，从而预测售价。分类方法是指预测结果是离散的，即输入变量会映射到离散类别上。比如对良/恶性肿瘤的预测，通过医院现有记录，根据肿瘤大小和对应的情况对样本进行分类，从而预测出一个离散的数值即良性或恶性。在给定的数据集上，机器学习可以将数据类别以直线来分割，进而将待预测数据分到合适的类别中，这就是所谓的分类。

2.无监督学习法

无监督学习法是从那些无标签的数据中探索并推断出隐藏的规律，并从数据集中总结出模式或者结构的方法。无监督学习法中最常使用的算法是聚类（Clustering）算法和降维（Dimensionality Reduction）算法。聚类算法根据对象之间的相似性对数据进行聚类分析，形成簇，从而更好地理解数据的分布规律。聚类算法通常被用于分析用户画像、对文本话题的相似度进行分类及医学上的基因聚类等。而降维算法指的是降低数据的维度，从庞大的数据中提取出关键特征，减少数据的处理量和存储空间，进而减轻“训练”的负担。其中主成分分析方法是使用率较高的一种方法，通过考虑主要影响因素和舍弃次要因素来平衡准确度与效率。

3.强化学习法

强化学习法是带有激励属性，机器会考虑如何在一个环境中“行动”才能实现激励的最大化，具有一定的动态规划思想。通常人们通过策略梯度（Policy Gradient）来训练神经网络。图3.3所示的是强化学习法中的基本理念和基本原理，以State（状态）来描述Environment（环境）以及Agent（智能体）所处的状态，Agent通过执行特定的动作来改变Environment的状态，Environment的状态改变之后会返回一个观察给Agent，同时还会得到一个奖励，这样Agent就会根据返回的信息来采取新的“动作”，通过不断重复这样的过程来找到一个策略，从而“告诉”Agent如何选择动作来实现奖励最大化。所以强化学习法正是通过不断重复动作来寻找最优策略的过程，这也是著名的AlphaGo实现下围棋功能的原理。

图3.3

三、深度学习（Deep Learning）

深度学习作为机器学习的进阶式研究，通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射。进一步来说，主要是通过对原始信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，以自动化的学习来得到层次化的特征表示，从而更有利于分类或特征的可视化。而通过深度学习得到的深度网络就是深度神经网络（Deep Neural Networks，DNN），建立在多层神经网络的基础之上，增加网络的层数，并辅以更复杂的结构，通过对极大量数据的训练来获得最佳优势。

深度神经网络主要分为三类：前馈深度网络、反馈深度网络、双向深度网络。

1.前馈深度网络（Feed-forward Deep Networks，FFDN）

前馈深度网络将许多不同的函数通过连接在一条链上的方式进行复合（复合函数），形成链式结构，链的全长即为模型的深度。而网络也由此被分为很多层，如图3.4所示，其中网络的开端（信息的输入）被称为输入层，网络的末端被称为输出层，中间一些层并不需要对每次的训练数据结果进行输出，因而被称为隐藏层。这些隐藏层的维度决定了模型的宽度，参数从输入层向输出层进行单向传播，并通过选择最佳的代价函数来优化算法，从而获得预测的近似值。卷积神经网络作为一种代表，通过自下而上的方法将每层输入信号经过卷积、非线性变换和下采样三个处理阶段来得到多层信息。

图3.4

2.反馈深度网络（Feed-back Deep Networks，FBDN）

与前馈深度网络不同，反馈深度网络是对输入信号进行解码的过程。以反卷积网络为例，如图3.5所示，每层的信